AI Agent

ACE-Router: Generalizing History-Aware Routing from MCP Tools to the Agent Web

ACE-Router: 从MCP工具到智能体网络的历史感知路由泛化

Zhiyuan Yao, Zishan Xu, Yifu Guo, Zhiguang Han, Cheng Yang, Shuo Zhang, Weinan Zhang, Xingshan Zeng, Weiwen Liu

机构 * Zhejiang University（浙江大学） ； Shanghai Jiao Tong University（上海交通大学） ； Huawei Technologies Co. Ltd（华为技术有限公司） ； Sun Yat-sen University（中山大学） ； Nanyang Technological University（南洋理工大学） ； Hangzhou Dianzi University（杭州电子科技大学） 纠错

专题命中 多智能体 ：agent(title,abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文提出ACE-Router，通过依赖丰富的候选图合成多轮轨迹，训练出动态上下文理解的路由器，实现在大规模生态系统中的精准导航，实验显示其在MCP-Universe和MCP-Mark基准上表现优异，具备泛化性和鲁棒性。

Privacy-R1: Privacy-Aware Multi-LLM Agent Collaboration via Reinforcement Learning

Privacy-R1: 通过强化学习实现隐私意识的多LLM代理协作

Zheng Hui, Yijiang River Dong, Sanhanat Sivapiromrat, Ehsan Shareghi, Nigel Collier

机构 * University of Cambridge（剑桥大学） ； University College London（伦敦大学学院） 纠错

专题命中 多智能体 ：agent(title,abstract)；分类 cs.CL

AI总结 本文提出Privacy-R1框架，通过强化学习动态路由文本块，在隐私泄露与任务性能间取得平衡，引入医疗数据集验证方法有效性，实现隐私-效用前沿的新状态。

Comments ACL 2026 Main

On the Creativity of AI Agents

人工智能代理的创造性

Giorgio Franceschelli, Mirco Musolesi

机构 * University of Bologna（博洛尼亚大学） ； University College London（伦敦大学学院） 纠错

专题命中 多智能体 ：AI agent(title)；agentic(abstract)；分类 cs.AI

AI总结 本文从功能主义和本体论两个视角分析人工智能代理的创造性，指出其在功能层面具有创造力但缺乏本体层面的创造性，并探讨了代理系统实现两种创造力的潜在价值与风险。

TacticGen: Grounding Adaptable and Scalable Generation of Football Tactics

TacticGen: 基于适应性和可扩展性的足球战术生成

Sheng Xu, Guiliang Liu, Tarak Kharrat, Yudong Luo, Mohamed Aloulou, Javier López Peña, Konstantin Sofeikov, Adam Reid, Paul Roberts, Steven Spencer, Joe Carnall, Ian McHale, Oliver Schulte, Hongyuan Zha, Wei-Shi Zheng

机构 * School of Data Science, The Chinese University of Hong Kong, Shenzhen（数据科学学院，香港中文大学（深圳）） ； Real Analytics, London（Real Analytics，伦敦） ； Birmingham City Football Club, Birmingham（伯明翰城足球俱乐部，伯明翰） ； Management School, University of Liverpool（利物浦大学管理学院） ； School of Computing Science, Simon Fraser University（Simon Fraser大学计算机科学学院） ； School of Computer Science and Engineering, Sun Yat-sen University（中山大学计算机科学与工程学院） 纠错

专题命中 多智能体 ：agent(abstract)；planning(abstract)；multi-agent(abstract)；分类 cs.AI、cs.LG

AI总结 TacticGen通过多智能体扩散变换器生成适应性战术，结合规则、自然语言和神经模型实现可扩展的战术设计，验证了其在专业足球战术规划中的实用性。

Comments 23 pages

CollabCoder: Plan-Code Co-Evolution via Collaborative Decision-Making for Efficient Code Generation

CollabCoder: 通过协作决策实现计划-代码共演以提高代码生成效率

Duy Tung Doan, Quang Huy Phung, Dzung Nguyen, Khac-Hoai Nam Bui

机构 * Viettel AI, Viettel Group（越南Viettel集团AI部门） ； Hanoi University of Science and Technology（河内科学技术大学） 纠错

专题命中 多智能体 ：agent(abstract)；planning(abstract)；multi-agent(abstract)；分类 cs.CL、cs.SE

AI总结 CollabCoder通过动态多智能体协作提升代码生成效率，通过计划模块与代码模块的协作决策提高代码质量和鲁棒性，实验表明其在复杂任务中性能优于现有方法且计算开销更低。

Comments ACL 2026 Findings

Prompt Optimization Enables Stable Algorithmic Collusion in LLM Agents

提示优化使LLM代理实现稳定的算法共谋

Yingtao Tian

机构 * Sakana AI Tokyo, Japan（日本东京Sakana AI） 纠错

专题命中 多智能体 ：agent(abstract)；autonomous agent(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 研究探讨提示优化是否会导致市场模拟中出现共谋行为，提出元学习循环方法，发现优化后代理能发现更稳定的共谋策略，且在测试市场中表现良好，揭示了通用协调原理。

SelfHeal: Empirical Fix Pattern Analysis and Bug Repair in LLM Agents

SelfHeal：LLM代理中故障修复模式的实证分析与故障修复

Niful Islam, Muhammad Anas Raza, Mohammad Wardat

专题命中 多智能体 ：agent(abstract)；tool use(abstract)；multi-agent(abstract)；分类 cs.SE

AI总结 本文研究LLM代理中的故障修复模式，提出首个基准数据集AgentDefect，并设计SelfHeal多智能体系统，利用ReAct代理结合内部和外部知识实现高效故障修复。

Comments Accepted at EASE 2026

Don't Adapt Small Language Models for Tools; Adapt Tool Schemas to the Models

不要为小型语言模型适应工具；而是将工具模式适应模型

Jonggeun Lee, Woojung Song, Jongwook Han, Haesung Pyun, Yohan Jo

机构 * Graduate School of Data Science, Seoul National University（数据科学研究生院，首尔国立大学） 纠错

专题命中 多智能体 ：agent(abstract)；tool-use(abstract)；multi-agent(abstract)；分类 cs.CL

AI总结 本文提出PA-Tool方法，通过调整工具模式以匹配预训练知识，提升小型语言模型在工具使用任务中的准确性，实验显示性能提升达17%。

Comments Accepted at ACL 2026 (Main)

ORThought: Benchmarking and Automating Logistics Optimization Modeling

ORThought: 物流优化建模的基准测试与自动化

Beinuo Yang, Qishen Zhou, Junyi Li, Chenxing Su, Panagiotis Angeloudis, Simon Hu

机构 * ZJU-UIUC Institute, Zhejiang University（浙江大学浙大-伊利诺伊大学联合学院） ； School of Transportation, Jilin University（吉林大学交通运输学院） ； Singapore-MIT Alliance for Research and Technology（新加坡-麻省理工联合研究所） ； Department of Civil and Environmental Engineering, Imperial College London（伦敦帝国理工学院土木与环境工程系） 纠错

专题命中 多智能体 ：agent(abstract)；autonomous agent(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文提出ORThought框架，通过引入专家级建模原理，解决物流优化建模中的基准不足、多智能体框架不稳定及评估深度不足等问题，实验证明其在复杂约束下表现优异。

Comments The paper has been accepted by Artificial Intelligence for Transportation

Satellite Chasers: Divergent Adversarial Reinforcement Learning to Engage Intelligent Adversaries on Orbit

卫星追踪者：分歧对抗强化学习用于轨道上的智能对抗

Cameron Mehlman, Gregory Falco

机构 * Sibley School of Mechanical and Aerospace Engineering（锡比利机械与航空航天工程学院） 纠错

专题命中 多智能体 ：agent(abstract)；planning(abstract)；multi-agent(abstract)

AI总结 本文提出DARL方法，通过双重阶段多智能体强化学习训练卫星对抗策略，验证了其在对抗性多智能体空间环境中的鲁棒性。

Heterogeneous Self-Play for Realistic Highway Traffic Simulation

异质自博弈用于逼真高速公路交通模拟

Jinkai Qiu, Alessandro Saviolo, Chaojie Wang, Mingke Wang, Xiaoyu Huang

机构 * PlusAI 纠错

专题命中 多智能体 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出PHASE框架，通过自博弈生成逼真高速公路场景，支持不同车辆类型并提升交互真实性，实现零样本迁移至512个真实场景。

Comments 8 pages, 2026 CVPR SAD Workshop

Neuro-Symbolic Resolution of Recommendation Conflicts in Multimorbidity Clinical Guidelines

神经符号推荐冲突在多病共存临床指南中的解决

Shiyao Xie, Jian Du

机构 * Peking University（北京大学） ； National Institute of Health Data Science（国家健康数据科学研究院） ； Peking University Health Science Center（北京大学医学部） ； Institute of Medical Technology（医学技术研究院） 纠错

专题命中 多智能体 ：agent(abstract)；multi-agent(abstract)；分类 cs.CL

AI总结 本文提出神经符号框架解决多病共存临床指南中的推荐冲突问题，通过多智能体系统和SAT求解器验证逻辑规则，发现90.6%的冲突为局部冲突，F1分数达0.861。

Comments Accepted by Proceedings of the 40th Annual AAAI Conference on Artificial Intelligence (Bridge Program on Logic & AI: Logical and Symbolic Reasoning in Language Models)

When Numbers Start Talking: Implicit Numerical Coordination Among LLM-Based Agents

当数字开始说话：基于大语言模型的智能体间的隐性数字协调

Alessio Buscemi, Daniele Proverbio, Alessandro Di Stefano, The-Anh Han, German Castignani, Pietro Liò

机构 * Luxembourg Institute of Science and Technology（卢森堡科学与技术研究所） ； University of Trento（特伦托大学） ； Teesside University（泰赛大学） ； University of Cambridge（剑桥大学） 纠错

专题命中 多智能体 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文研究了基于大语言模型的多智能体系统中隐性沟通的博弈理论，分析了不同沟通模式下协调与战略结果的变化。

Characterizing LLM-driven Social Network: The Chirper.ai Case

刻画由LLM驱动的社会网络：Chirper.ai案例

Yiming Zhu, Yupeng He, Ehsan-Ul Haq, Gareth Tyson, Pan Hui

机构 * Hong Kong University of Science and Technology（香港科技大学） 纠错

专题命中 多智能体 ：agent(abstract)；AI agent(abstract)；分类 cs.AI

AI总结 本文通过对比Chirper.ai和Mastodon的社会网络结构，分析LLM代理与人类用户在发帖行为、恶意内容及网络结构上的差异，为负责任的AI通信系统发展提供启示。

Comments Accepted to CSCW 2026, camera-ready version

AutoPKG: An Automated Framework for Dynamic E-commerce Product-Attribute Knowledge Graph Construction

AutoPKG：一种用于动态电子商务产品-属性知识图谱构建的自动化框架

Pollawat Hongwimol, Haoning Shang, Chutong Wang, Zhichao Wan, Yi Gao, Yuanming Li, Lin Gui, Wenhao Sun, Cheng Yu

机构 * Lazada, Alibaba International Digital Commerce Group（Lazada，阿里巴巴国际数字 commerce 集团） ； Nanyang Technological University, Singapore（南洋理工大学，新加坡） 纠错

专题命中 多智能体 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文提出AutoPKG框架，通过多智能体大语言模型自动构建产品-属性知识图谱，解决电子商务产品属性提取中本体不一致、不完整和维护成本高的问题，实验证明其在提升GMV和推荐效果上的显著优势。

Comments Accepted as ACL 2026 Findings

HR-Agents: Using Multiple LLM-based Agents to Improve Q&A about Brazilian Labor Legislation

HR-Agents：利用多个基于大语言模型的代理提高关于巴西劳动立法的问题解答

Abriel K. Moraes, Gabriel S. M. Dias, Vitor L. Fabris, Lucas D. Gessoni, Leonardo R. do Nascimento, Charles S. Oliveira, Vitor G. C. B. de Farias, Fabiana C. Q. de O. Marucci, Matheus H. R. Vicente, Gabriel U. Talasso, Erik Soares, Amparo Munoz, Sildolfo Gomes, Maria L. A. de S. Cruvinel, Leonardo T. dos Santos, Renata De Paris, Wandemberg Gibaut

机构 * Eldorado Institute of Research（埃洛多研究 institute） 纠错

专题命中 多智能体 ：agent(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文提出利用多代理系统提升巴西劳动立法问题解答的准确性与效率，通过整合检索增强生成技术，改进HR专业人员的合规性与操作效率。

Comments Paper presented on: July 2025 Conference: XVII Simpósio Brasileiro de Automação Inteligente (SBAI) At: São João del-Rei

Infrastructure-Centric World Models: Bridging Temporal Depth and Spatial Breadth for Roadside Perception

以基础设施为中心的世界模型：弥合时间深度与空间广度以实现道路感知

Siyuan Meng, Chengbo Ai

机构 * Department of Civil and Environmental Engineering, University of Massachusetts Amherst（土木与环境工程系，马萨诸塞大学阿默斯特分校） 纠错

专题命中 多智能体 ：agent(abstract)；multi-agent(abstract)

AI总结 本文提出以基础设施为中心的世界模型，通过时空互补性提升道路感知能力，提出三阶段框架和双层架构，结合多模态数据引擎和开放源代码基础，推动基础设施理解交通。

Comments 18 pages, 7 tables, 1 figure, vision paper

From Script to Stage: Automating Experimental Design for Social Simulations with LLMs

从脚本到舞台：利用LLMs自动化社会模拟的实验设计

Yuwei Guo, Zihan Zhao, Xiaowei Liu, Xiangning Yu, Deyu Zhou

专题命中 多智能体 ：agent(abstract)；multi-agent(abstract)

AI总结 本文提出FSTS框架，通过脚本生成自动化多智能体实验设计，降低社会科学研究的门槛并为政策制定提供科学支持。

ConventionPlay: Capability-Limited Training for Robust Ad-Hoc Collaboration

ConventionPlay: 有限能力训练以实现稳健的即兴协作

Abhishek Sriraman, Eleni Vasilaki, Robert Loftin

专题命中 多智能体 ：agent(abstract)

AI总结 ConventionPlay通过强化学习扩展认知层次，使智能体能主动引导团队选择最优协作策略，在经典协调任务中表现出更高的协作效率，尤其在惯例收益差异显著时。

Robust Distributed Sub-Optimal Coordination of Linear Agents with Uncertain Input Nonlinearities

鲁棒分布式线性代理子最优协调

Takumi Namba

专题命中 多智能体 ：agent(abstract)

AI总结 本文研究了存在输入非线性性的线性代理的鲁棒分布式子最优协调问题，提出了一种新控制协议，通过统一处理输入非线性性和目标函数梯度，分析收敛性，通过数值模拟验证了方法的有效性。

Modeling the Impact of Communication and Human Uncertainties on Runway Capacity in Terminal Airspace

通信与人为不确定性对终端空域跑道容量影响的建模

Yutian Pang, Andrew Kendall, John-Paul Clarke

专题命中 多智能体 ：planning(abstract)

AI总结 本文通过蒙特卡洛离散时间仿真研究通信和人为不确定性对跑道容量的影响，提出自动化最终进近引导模型，并验证通信不确定性对当前语音操作的影响。

Distributed Koopman Operator Learning from Sequential Observations

基于序列观测的分布式Koopman算子学习

Ali Azarbahram, Shenyu Liu, Gian Paolo Incremona

专题命中 多智能体 ：agent(abstract)

AI总结 本文提出一种分布式Koopman算子学习框架，通过多智能体的序列观测建模未知非线性动力学，利用通信图实现指数共识，支持异步和资源受限的传感环境。

Journal ref European Journal of Control, Volume 89, 2026, 101497, ISSN 0947-3580

Small Model as Master Orchestrator: Learning Unified Agent-Tool Orchestration with Parallel Subtask Decomposition

小模型作为主指挥者：通过并行子任务分解学习统一的智能体-工具协调

Wenzhen Yuan, Wutao Xiong, Fanchen Yu, Shengji Tang, Ting Liu, Tao Chen, Peng Ye, Yuzhuo Fu, Wanli Ouyang, Lei Bai

机构 * Shanghai Jiao Tong University（上海交通大学） ； Fudan University（复旦大学） ； Shanghai AI Lab（上海人工智能实验室） ； Sichuan University（四川大学） ； The Chinese University of Hong Kong（香港中文大学） 纠错

专题命中 工作流自动化 ：agent(title,summary_cn)；planning(abstract)；multi-agent(abstract)；分类 cs.AI

AI总结 本文提出Agent-as-Tool框架，通过并行子任务分解和状态反馈提升多智能体系统协调效率，ParaManager在多个基准测试中表现出色。

OpenGame: Open Agentic Coding for Games

OpenGame: 开源代理游戏开发

Yilei Jiang, Jinyuan Hu, Qianyin Xiao, Yaozhi Zheng, Ruize Ma, Kaituo Feng, Jiaming Han, Tianshuo Peng, Kaixuan Fan, Manyuan Zhang, Xiangyu Yue

专题命中 工作流自动化 ：agentic(title,abstract)；agent(abstract)；分类 cs.SE

AI总结 OpenGame通过Game Skill和GameCoder-27B实现端到端网页游戏开发，解决跨文件不一致和逻辑不一致问题，建立新状态-of-the-art。

Comments OpenGame Report-v1

Is Agentic RAG worth it? An experimental comparison of RAG approaches

代理RAG值得吗？RAG方法的实验比较

Pietro Ferrazzi, Milica Cvjeticanin, Alessio Piraccini, Davide Giannuzzi

机构 * Fondazione Bruno Kessler（布鲁诺·科塞拉基金会） ； University of Padova（帕多瓦大学） ； Cargill Geneve（卡吉尔日内夫） ； Alkemy（阿尔凯米） ； Komebi Studio（科梅比工作室） 纠错

专题命中 工作流自动化 ：agentic(title,abstract)；workflow(abstract)；分类 cs.CL

AI总结 本文通过多场景多维度实验比较了增强型和代理型RAG方法，揭示了两者在性能与成本上的权衡，为实际应用提供选择指导。

Comments Accepted at ACL 2026 (Industry Track)

Workstream: A Local-First Developer Command Center for the AI-Augmented Engineering Workflow

Workstream: 一个面向AI增强工程流程的本地优先开发者指挥中心

Happy Bhati

专题命中 工作流自动化 ：workflow(title)；agent(abstract,abstract_cn)；分类 cs.SE

AI总结 Workstream通过整合多个工具的数据，提供AI读熟度评分和审查智能分析，提升开发者工作效率和响应速度。

Comments 6 pages, 3 figures, 5 tables. Open source: https://github.com/happybhati/workstream

Towards an Agentic LLM-based Approach to Requirement Formalization from Unstructured Specifications

迈向基于代理的LLM方法：从非结构化规范中提取需求形式化

Alberto Tagliaferro, Bruno Guindani, Livia Lestingi, Matteo Rossi

专题命中 工作流自动化 ：agentic(title,abstract)；分类 cs.SE

AI总结 本文提出基于代理的方法，从非结构化规范中自动生成符合验证要求的形式化属性，通过提取、过滤和翻译三个模块，实现语义对齐，实验表明其在三个场景中准确率达77.8%。

Comments Accepted at the AIPV 2026 workshop (non-archival)

Semantic Entanglement in Vector-Based Retrieval: A Formal Framework and Context-Conditioned Disentanglement Pipeline for Agentic RAG Systems

向量检索中的语义纠缠：一种形式框架和上下文条件下的解缠管道用于智能RAG系统

Nick Loghmani

机构 * Salesforce ； School of Information Studies, Syracuse University（苏利文大学信息研究学院） 纠错

专题命中 工作流自动化 ：agentic(title)；agent(abstract)；分类 cs.AI

AI总结 本文提出了一种形式框架和上下文条件解缠管道，用于解决向量检索中因多主题文档交织导致的语义纠缠问题，通过改进文档结构提升检索精度。

Comments 34 pages, 5 Figures, 1 table

Formal Foundations of Agentic Business Process Management

代理业务流程管理的正式基础

Giuseppe De Giacomo, Timotheus Kampik, Lukas Kirchdorfer, Marco Montali, Christoph Weinhuber

机构 * University of Oxford, UK（牛津大学，英国） ； SAP, Germany（德国SAP公司） ； Umeå University, Sweden（乌梅拉大学，瑞典） ； University of Mannheim, Germany（曼海姆大学，德国） ； Free University of Bozen-Bolzano, Italy（博兹纳自由大学，意大利） 纠错

专题命中 工作流自动化 ：agentic(title,abstract)；分类 cs.AI

AI总结 本文探讨了代理业务流程管理系统的数学基础，分析了四个核心问题，提出通过显式目标约束代理决策能力，以实现流程规范的控制。

EMSDialog: Synthetic Multi-person Emergency Medical Service Dialogue Generation from Electronic Patient Care Reports via Multi-LLM Agents

EMSDialog: 通过多LLM代理从电子患者护理报告生成合成多人紧急医疗服务体系对话

Xueren Ge, Sahil Murtaza, Anthony Cortez, Homa Alemzadeh

机构 * School of Engineering and Applied Sciences, University of Virginia（弗吉尼亚大学工程与应用科学学院） ； School of Medicine, University of Virginia（弗吉尼亚大学医学院） 纠错

专题命中 工作流自动化 ：agent(abstract)；workflow(abstract)；multi-agent(abstract)；分类 cs.AI、cs.CL

AI总结 本文提出基于ePCR的多代理生成流程，生成4414个合成多说话者EMS对话数据集，提升EMS对话诊断预测的准确性、及时性和稳定性。

Comments Accepted by ACL Findings 2026